文摘
为了快速、准确地获取所需的部分从大规模多媒体教育资源,提高教育资源的利用率,多媒体辅助法律课堂教学模型设计了基于数据挖掘算法。首先,多媒体辅助法律课堂教学资源的属性判断,和数字资源是标准化和离散。B +树是用于建立模型的索引和索引库,和相应的检索算法设计完成资源搜索,建立数据分布多媒体辅助法律课堂教学系统的结构模型,挖掘数据,重构相空间的融合数据信息流,提取特定数据的高阶矩特征的多媒体课堂教学辅助法律系统重构高维相空间中,实现准确的挖掘功能的数据。实验结果表明,设计的教学效果模型更有优势,可以促进学生的进步表现。
1。介绍
随着现代信息技术的发展,利用多媒体技术,直观地显示法律实践问题在法律课堂教学已成为普通高校法律教学的辅助手段(1,2]。法律多媒体辅助课堂教学不仅有助于增加在法律课堂教学的信息量,提高教学和学习的效率,但也有助于改变传统模式的法律教学强调理论和忽视实践,它扮演着一个重要的角色在促进法律课堂教学改革。
然而,在应用多媒体技术协助法律教学的过程中,也存在许多问题,影响多媒体辅助教学的效果,需要改进3,4]。传统的法律课堂教学模式不再适应现代教学的需要,并在教学和学习模式发生了巨大的变化。在法律课堂教学中,利用计算机多媒体硬件开发了法律学习的教学形式(5]。多媒体网络技术显示了法律教学内容,学生通过文本,图像,声音,和其他方式;丰富的法律教学内容;法律,可以调动学生的学习兴趣(6,7]。因此,许多学者进行了很多研究多媒体网络辅助法律课堂学习和教学方法,使人们进一步了解多媒体辅助法律课堂学习和教学方法。陈(8)提出了计算机信息技术的应用在法律的改革课堂教学方法,并通过建立法律资源数据库,创建一个虚拟法律课堂,并使法律教育改革建议通过电子公告板,我们可以加强计算机信息技术的应用在法律课程的教学改革。然而,这种方法是低效的,因为它不能迅速从大规模多媒体教育资源检索所需的部分。文献[9)提出了道德教育的课堂教学方法的介绍和法治。根据不同的媒体介绍,教师可以采用不同的引入方法,如视频介绍,图形的介绍和案例介绍。每个介绍方法注重具体操作技能,以学生为中心,面向问题的,可以快速地引导学生进入预定的学习轨道。然而,仍有一些不足,比如教育资源的利用率低,教学效果差。这还需要进一步的研究来提高法律课堂学习和教学的水平。因此,多媒体辅助法课堂教学模型基于数据挖掘算法。数据挖掘算法的启发式和计算基于数据创建数据挖掘模型。为了建立一个多媒体辅助法律课堂教学模型,该算法首先将分析数据,找到特定类型的模式和趋势。算法使用这种分析的结果来定义创建的最佳参数和矿业多媒体辅助法律课堂教学模式。这些参数被应用于整个数据集提取可行模式和详细统计数据,重构相空间的融合数据信息流,提取特定数据的高阶矩特征在多媒体辅助法律从高维相空间重构课堂教学系统,并实现准确的挖掘的特征数据。 The research shows that the model has good teaching effect.
2。多媒体辅助法律课堂教学资源B +树分层索引
指数关系数据库的一个重要组成部分,如图1。
从图可以看出1,该指数占据着核心地位,起着重要的作用在多媒体辅助法律课堂教学资源数据库系统。指数的作用在多媒体辅助法律课堂教学资源数据库是由用户快速找到所需的资源数据从数据库资源,实现快速收购(10]。索引建立过程如图2。
从图可以看出2的质量数据库索引建立相关数据库的操作性能。因此,使用B +树索引结构,本文建立了一个分层指数模型,多媒体辅助法律课堂教学资源(11,12]。B +树索引磁盘读写成本低的优势,更方便遍历数据信息,查询效率、更稳定和更少的内存空间。
2.1。多媒体辅助法律课堂教学资源属性的判断和处理
之前给的数据索引,需要法官多媒体辅助法律课堂教学资源的属性。这些属性具体包括价值属性,时间属性,和准公共产品的属性。
值属性:多媒体辅助法律课堂教学资源的开发要求建筑商不断学习,研究,收集、总结、改进,实践中,集成建设者的高度的责任感和无私的敬业精神,给大多数教师和学生带来启示,并获得普遍的认可。因此,多媒体辅助法律课堂教学资源的价值属性是显而易见的。
时间属性:属性多媒体辅助法律课堂教学资源包括开发周期长和更多的时间。资源开发的一个特定的时间间隔必须更新与社会经济的不断发展,新技术的新兴没完没了地,升级标准和规范。此外,时间属性的有效性和速度也反映在教师和学生对教学资源的访问。
准公共产品属性:多媒体辅助法律课堂教学资源的开放共享防止人们之间的相互竞争和排斥。然而,由于高昂的成本和有限的课堂教学多媒体辅助法律资源和各学院和大学教学的个性化,共享机制并不完美。准公共产品的属性多媒体辅助法律课堂教学资源更明显,很难严格遵守nonexclusivity公共物品。
判断的功能属性,以确定资源角色资源或数字资源。指数形式的两个是不同的。前者建立反向表索引,后者建立了B +树索引(13]。多媒体辅助的核心属性的法律课堂教学资源是B +树索引模型。因此,只有数字资源的后续处理进行了分析,包括标准化和离散化数值多媒体辅助法律课堂教学资源(14,15]。
2.1.1。数字多媒体辅助法律课堂教学资源的标准化
标准化是指形式和尺寸的统计数字多媒体辅助法律课堂教学资源的后续处理和分析。有三个主要标准化方法:(1)标准化的方法序列 转换生成新的序列 。 (2)形式化方法序列 转换生成新的序列 。新序列的均值为0,方差是1。 (3)归一化法序列 转换生成新的序列 ,和 。
2.1.2。离散化的数字多媒体辅助法律课堂教学资源
为了轻松地提取关键信息资源、建立索引,需要离散化数值与连续属性(多媒体辅助法律课堂教学资源16,17]。基本过程如下:步骤1:连续属性值的多媒体辅助法律课堂教学资源根据指定的规则。步骤2:初步确定部门连续属性的断点。步骤3:继续分裂或合并断点根据给定的判断标准18]。第四步:判断断点的数量是否符合指定的用户数量。如果是的,终止整个连续属性离散化过程;否则,继续遵循第三步,直到满足条件。
目前,离散化主要分为无监督离散化和监督离散化,如表所示1。
其中,非监督离散化是指不使用类信息的方法,不考虑类属性离散化过程中,其输入数据集只包含离散属性的值。监督离散化是指使用类的方法离散化过程的信息。从表可以看出1无监督离散化有简单的方法和操作简便的特点,但它需要手动指定数量的间隔。监督离散化不需要人为地指定数量的间隔,但操作复杂。数据类型的数量在离散集数据离散类的数量。作为一个有效的数据预处理方法,离散化的结果有重要影响数据分析的结果。在数据处理中,应该根据数据进行离散化的特征。在离散化,不同的策略,如可以采用静态或动态组合分类。合理的策略有助于有效地挖掘数据特征。
2.2。索引和数据库创建
基于上述处理过的数据,索引和数据库创建进行了研究[19,20.]。索引的本质是一种特殊的表或图,它是由索引的关键字和关键字存储的地址,和索引库是所有索引的集合。
2.2.1。创建索引
B +树主要用于指数每个多媒体辅助法律课堂教学资源。B +树是发达的B -树的基础上,解决问题,B -树不能搜索。B -树和B +树的比较如表所示2。
基于B +树的基本结构,本文构造了多媒体辅助法律课堂教学资源的索引结构,包括B +树骨架结构、B +树加载,和B +树分配,如下所示。步骤1:B +树骨架。B +树是一个典型的树状结构,主要由叶节点,分支节点,根节点。首先,确定参数B +树索引,包括B +树的层数,在B +树的子节点的节点数量,B +树中节点的数量,B +叶节点的数量,数量(键值)对在B +叶节点,B +树节点的数量,和节点数组中。然后,每个节点建立亲子或兄弟姐妹关系,最后形成一个完整的B +树索引框架(21,22]。步骤2:B +树加载。上一步完成B +树节点之间的关联。在这一步中,B +树中的每个节点需要加载相应的多媒体辅助法律课堂教学资源”键。“加载序列是一样的B +树骨架创建序列,从左到右,从下到上。步骤3:B +树的任务。分配多媒体辅助法律的“关键”课堂教学资源的价值。相关的任务是在索引和排序在后面的用户检索。
2.2.2。创建索引库
如果每个多媒体辅助法律课堂教学资源的索引存储,它会占据很多空间的内容。因此,有必要建立一个全面的索引库收集这些索引(23- - - - - -25]。词表保存为每个不同的角色在索引库,和词表对应于每个字符包含资源文件中的所有字符的位置。这个词列表如表所示3。
2.3。搜索方法
在索引和索引数据库建立之后,还需要一个匹配的检索方法,帮助用户完成检索。检索过程如下:步骤1:选择文献检索工具并确认搜索字段。步骤2:用户输入一个搜索词或句子。步骤3:分割过程搜索单词或句子,包括查询和关键字提取。前者是指将一个搜索词序列划分为几个查询块来判断这些搜索引擎分析模块”之间的关系。检索词分割方法主要包括基于预设词典分词方法、基于自然语言理解的分词方法和基于统计的分词方法(26]。后者主要从分裂的查询块提取最关键部分,即检索的焦点。这是查询精度直接相关。关键查询块提取过程如下:基于相关性的一些统计特征查询单词和长句子,词块相关性最高的被用作查询关键字(27,28]。第四步:查询扩展。在中国,有大量的同义词和一词多义的词汇,使一个伟大的区别用户搜索词和“关键”词中使用多媒体辅助法律课堂教学资源索引。查询扩展技术是用来解决问题;即计算机用于查找这个词块具有类似意义的关键查询块,然后把它们作为新的信息检索(查询词块29日- - - - - -31日]。第五步:查询词块是课堂教学与多媒体辅助法律资源索引实现信息检索。匹配的方法实现了相似度计算。有四个相似性计算方法:内积测量方法,余弦度量方法,Jaccard测量方法,骰子系数法。
2.4。建立数据分布多媒体辅助法律课堂教学系统的结构模型
为了实现特定的数据挖掘在多媒体辅助法律课堂教学系统中,数据结构分析和数据融合预处理需要放在第一位。研究对象是多媒体远程教学系统的跨平台的网络环境。基于高速操作和数据管理系统用户的结果在所有终端和服务器、数据结构分析模型中(32]。假设代表任何节点的数据感知层多媒体辅助法律课堂教学系统的模型(例如, ), 代表任何边缘应用多媒体教学系统的业务层,和具体数据源多媒体辅助法律课堂教学系统的分布式数据管理系统的阵列形式的边缘节点(33,34]。节点数据传输框架分为 单位线阵列,通道带宽 。假设代表信息流向量的长度在数据库中嵌入多媒体辅助法律课堂教学系统;模糊分类随机变量的协方差吗和 ,记录为 ;数据存储模型的属性权重多媒体辅助法律课堂教学系统的自适应学习;和向量场特定的数据库中的数据分布在多层构造向量自回归特征空间。在多媒体辅助法律课堂教学系统,局部离群值会产生交叉数据集通过(4)建立当地生僻信息流模型在特定的数据挖掘:
的公式,表示节点之间的权重u和在网络多媒体辅助法律课堂教学系统的集群,和指的是无向图的交叉节点的数据特征年代。使用上面的信息流动模式之外,本文构造一组与交叉稠密子图,以反映交叉数据集的特点在多媒体辅助法律课堂教学系统,并提取特定大数据的时间序列信息流动多媒体辅助法律课堂教学系统。假设代表特定数据的模糊聚类中心特征向量的多媒体辅助法律课堂教学系统,我们使用模糊聚类中心分类不同属性的具体数据,和一个无向图模型 数据分布结构的多媒体课堂教学辅助法律系统下建立跨平台的网络应用支持层,也就是说,数据分布结构多媒体辅助法律课堂教学系统的图模型,如图3。
2.5。数据挖掘处理的信息
基于上述数据结构分析,规模仿射变换用于我的信息。具体步骤如下:
连续小波变换用于经验模态分解特性的具体数据分布在上面的模型中,和一组二维函数表示的时间尺度和时间翻译内部细节的特定数据多媒体辅助法律课堂教学系统获得;公式(5)是用来执行特定数据的概率特性分解教学系统二维投影平面上。分解公式如下:
假设 是特定的非线性时间序列数据的收集多媒体辅助法律课堂教学系统,代表数据抽样的母小波。当特定的数据 收集多媒体辅助法律课堂教学系统是一个似稳随机信息流,边缘部分波段水平信息数据库数据分布在教学系统的特点是通过以下公式:
根据特定的多媒体数据的分布概率,数据规模大的概率分布服从仿射变换,数据挖掘和信息融合模型的建立在有限的信噪比:
的公式, 的分数傅里叶变换的时域部分特定数据多媒体辅助法律课堂教学系统,和因素呢 保证了能量归一化分数傅里叶变换。因为学生的课堂学习行为最直接相关的学习效果,在这种情况下,学习行为之间的关系的某种类型的学生和处理的性能数据测试结果通过数据挖掘的信息,提供数据分析和参考老师,以便老师能理解之间的密切关系学生的学习习惯和学习性能,完全理解个别学生的特点,实现特定数据的信息融合多媒体辅助法律课堂教学系统通过以上处理。
2.6。实施多媒体辅助法律课堂教学模式
基于上述的分析数据分布多媒体辅助法律课堂教学系统的结构模型和数据挖掘处理信息规模的仿射变换,数据挖掘算法的一种改进设计,和准确的信息特征提取和挖掘特定关键数据进行多媒体教学系统(35),和信息兼容性和数据访问的能力多媒体辅助法律课堂教学系统可以改善。实现多媒体辅助法律建设的课堂教学模式,实现步骤如下:
假设特定的数据融合最优权重系数和惩罚因子在多媒体辅助法律课堂教学系统,我们构建特定数据前馈增益调整标准差函数通过使用下列公式:
多媒体辅助法律课堂教学中的数据管理系统是通过分布式数据库模型实现的。大量的云数据集成到分布式数据库。有必要使用前馈增益调整标准差函数优化的云数据结构分布式数据库在多媒体辅助法律课堂教学系统,以提高数据信息挖掘的准确性和效率。的相空间重构方法(8)用于分解高频分量的衰减特性的特定数据流信息:
的公式,代表了相空间的采样延迟重建流的一个特定的数据信息,相空间重建的嵌入维数,采样间隔的相位差,是空间指向性增益调整系数。在非均匀采样输出结果,假设是特定数据的近似统计平均后的多媒体课堂教学辅助法律系统获得多维参数估计混合。根据高斯随机的不变量特征的线性分离特定的数据(36),具体的不变特征数据挖掘在高维相空间改善信号的频域聚焦能力。我们使用上面的过程获取多媒体辅助法律课堂教学模式:
的公式,奇异值分解结果的原始数据,最初的采样时间点, 是观察向量,是功率谱密度的具体数据,然后呢是教学系统中的数据的干扰强度。特定数据的高阶矩特征在法律课堂教学多媒体辅助系统可以在很大程度上反映了特定的数据特征。通过高阶矩特征的定位,多媒体辅助法律课堂教学中的特定数据挖掘系统可以实现,从而完成多媒体辅助法律课堂教学模式的建设基于数据挖掘算法。
3所示。实验分析
为了验证多媒体辅助法律课堂教学的有效性和可行性模型提出了基于数据挖掘的算法,进行了一个实验。在实验中,实验仿真软件MATLAB软件作为。实验拓扑如图4。通过实验,结果如下。
以法律课堂为例,我们选择2021名学生在学校主修法律为实验对象,共有240名学生,每个班的学生人数是40。其中六类,提出两类采用多媒体辅助法律课堂教学模型基于数据挖掘算法,记录为A组;两个类被记录为B组的方法8];和其他两个类被记录为C组的方法(9]。多媒体辅助的教学模式提出法律课堂教学模式,基于数据挖掘算法,数据分布结构模型的基础上建立了多媒体辅助法律课堂教学系统。教学模式流图所示5。
根据教学模式的应用过程模型的提出在图5,多数教师在教学有更多的模式借鉴,以便教学理论可以应用快速和成功。另一方面,学习、掌握和运用教学模式使教师学习、理解和掌握多媒体辅助法律课堂教学理论。教学模式中起着教学理论和教学实践之间的桥梁和纽带作用。教学模式过程的研究和应用将有助于改变分离理论和实践教学,促进教学理论的研究。
三组学生使用的教材都是相同的。前两种教学方法的教学场所是多媒体教室,和每个学生配备一台电脑。在法律教学的过程中,教师年级的每个学生通过分级测试。
法律的三组学生进行了测试。在测试部分的法律,2019年法律考试的真正问题是选为中期测试问题,和2020年法律考试的真正问题是选为最终的测试问题。每组试卷总分的设置为20分。标志着试卷后,所有学生的成绩输入统计软件进行统计分析,和标准偏差的学生的分数计算使用标准差计算公式如下:
在公式(1),代表学生成绩的标准差,代表对象的数量,代表学生成绩的平均值,代表了学生。通过统计分析和计算,测试结果如表所示4。
如表所示4通过统计分析,在中期测试,组的平均分数A, B, C的学生法律测试3.55,3.53,和3.53,分别和标准差是0.24,0.28和0.23。通过统计分析,有三组中无显著差异的学生。在最后的测试中,法律测试组的平均分数的学生是9.24,而B组的法律测试学生的平均得分只有7.15。A组学生的平均得分显著高于B组的学生。C组学生的平均分数是3.96,与前一个相比并没有显著提高。通过比较,发现A组和B组学生的成绩有所提高后,采用两个多媒体网络法律学习和教学方法。然而,学生提出采用多媒体辅助法律课堂教学模型基于数据挖掘算法取得了更明显的进展比那些采用的方法8]和[9]。实验结果表明,与其他两个法律学习教学方法相比,该模型在教学效果方面有更多的优势。原因在于,通过关注学生本身,它能改善他们的法律效果,有助于提高学生的学习性能。
为了进一步验证综合该多媒体辅助法律课堂教学的有效性模型,实验选择30法学学生(15个男性和15位女性)和类似的学术成就在大学为研究对象,从两个方面进行实证分析学生学习效率和教学质量。
30的学生在实验中选择使用不同的多媒体辅助法律课堂教学模式研究法律实践课程。实验将30名学生分为三组,每组五男五女。模型的学习后,学生们正在测试在法律上,和学习成绩是用来确定模型可以有效地提高教学质量,在100 - 85点的意思是优秀的,84 - 60分的意思是合格的,60分以下的意思是失败的。具体实验结果比较表5。
通过分析实验数据表5后,可以看出,该模型的法律实践课程教学,学生的法律考试成绩明显高于其他两种方法,和所有学生的成绩都是优秀的,这表明该模型可以获得更加理想的教学质量。同时,在实际的过程的研究中,该模型也有效地解决了法律实践课程信息损失的问题,为进一步提高教学质量奠定了坚实的基础。
因为不同的多媒体辅助教学援助影响法律课堂教学模型不一致,实验侧重于比较学生学习效率的变化在学习每个多媒体辅助法律课堂教学模式。具体的实验比较结果如图6。
通过分析实验数据图6可以看出,学生的学习效率提出了模型的明显高于其他两种方法,因为该模型有效地解决了法律实践课程的信息损失的问题,确保教学计划的完整性,以提高学生的学习效率。
总之,后采用多媒体辅助法律课堂教学模型基于数据挖掘算法,A组和B组学生的成绩有所提高,和所有学生的成绩是优秀的。学生的学习效率明显高于建议的模型,表明该模型可以获得更加理想的教学质量。
4所示。结论
(1)学生使用多媒体辅助法律课堂教学模型基于数据挖掘算法有更明显的进步比学生使用文献方法,教学效果更有优势,可以促进学生成绩的提高。(2)在法律实践这门课程的教学模型,所有的学生都有优秀的成绩,该模型可以获得理想的教学质量。(3)因为该模型有效地解决了法律实践课程的信息损失的问题,保证教学计划的完整性,达到的目的,提高学生的学习效率,学生的学习效率的模型显然更高。建立一个多媒体辅助法律课堂教学模型基于数据挖掘算法可以为教师和学生提供教学信息服务。同时,使用数据挖掘算法的行为数据收集和分析教师和学生可以更好的找出关键材料影响课堂教学的实用性和可扩展性,更好的开展多媒体辅助法律课堂教学,促进多媒体平台的健康发展,造成积极影响法律课堂教学的价值,并促进多媒体辅助的高质量、高水平发展法律课堂教学。
数据可用性
原始数据支持了本文的结论将由作者提供,没有过度的预订。
的利益冲突
作者声明,关于这项工作他们没有利益冲突。